نظرية الآثار المتعددة

تُشفّر السمات الفيزيائية للعنصر معلوماتٍ حول خصائصه الفيزيائية. فبالنسبة للكلمة، قد تشمل هذه السمات اللون، ونوع الخط، والهجاء، والحجم، بينما بالنسبة للصورة، قد تكون الجوانب المكافئة هي أشكال وألوان الأشياء. وقد أظهرت التجارب أن الأشخاص الذين لا يستطيعون تذكر كلمةٍ كاملة قد يتذكرون أحيانًا الحرف الأول أو الأخير، أو حتى الكلمات المتناغمة، ^{[ 4 ]} وكلها جوانب مُشفّرة في الكتابة الفيزيائية لأثر الكلمة. حتى عندما لا يُعرض العنصر بصريًا، فإنه عند تشفيره، قد يمتلك بعض الجوانب الفيزيائية بناءً على تمثيله البصري.

تُعدّ السمات السياقية فئة واسعة من السمات التي تُحدد الخصائص الداخلية والخارجية المصاحبة لعرض العنصر. السياق الداخلي هو إحساس بالشبكة الداخلية التي يُثيرها الأثر. ^{[ 5 ]} وقد يتراوح ذلك بين جوانب الحالة المزاجية للفرد إلى ارتباطات دلالية أخرى يُثيرها عرض الكلمة. من ناحية أخرى، يُشفّر السياق الخارجي معلومات حول الجوانب المكانية والزمانية أثناء عرض المعلومات. وقد يعكس ذلك وقت اليوم أو حالة الطقس، على سبيل المثال. يمكن أن تُشير السمات المكانية إلى كلٍ من البيئة المادية والبيئة المتخيلة. تُحدد طريقة المواقع ، وهي استراتيجية تذكيرية تتضمن موقعًا مكانيًا متخيلًا، مواقع مكانية نسبية لعناصر مختلفة يتم حفظها، ثم "التنقل" عبر هذه المواقع المُحددة لتذكر العناصر.

تتضمن خصائص الوسائط معلومات حول طريقة عرض العنصر. أكثر أنواع الوسائط شيوعًا في البيئة التجريبية هي السمعية والبصرية. ويمكن استخدام أي وسيط حسي عمليًا.

تشير هذه السمات إلى تصنيف العناصر المعروضة. العناصر التي تندرج ضمن نفس الفئات تتشارك نفس سمات التصنيف. على سبيل المثال، إذا عُرض العنصر "تاتش داون"، فإنه سيستحضر المفهوم الشامل "كرة القدم" أو ربما، بشكل أعم، "الرياضة"، ومن المرجح أن يتشارك سمات التصنيف مع "منطقة النهاية" وعناصر أخرى تندرج ضمن نفس المفهوم. قد يندرج عنصر واحد ضمن مفاهيم مختلفة عند عرضه، وذلك تبعًا لسمات أخرى للعنصر، مثل السياق. على سبيل المثال، قد تندرج كلمة "نجم" ضمن فئة علم الفلك بعد زيارة متحف الفضاء، أو ضمن فئة كلمات مثل "مشهور" أو "شهير" بعد مشاهدة فيلم.

من خلال إسناد قيم عددية لجميع السمات الممكنة، يصبح من الملائم إنشاء تمثيل متجهي عمودي لكل عنصر مُشفّر. ويمكن أيضًا إدخال هذا التمثيل المتجهي في نماذج حاسوبية للدماغ، مثل الشبكات العصبية ، التي تأخذ كمدخلات "ذكريات" متجهية وتحاكي ترميزها البيولوجي عبر الخلايا العصبية.

بصورة رسمية، يمكن تمثيل الذاكرة المشفرة بتخصيص قيم عددية لجميع سماتها الممكنة. إذا اعتُبر عنصران متماثلين في اللون أو في السياق نفسه، فإن الأرقام التي تدل على لونهما وسماتهما السياقية ستكون متقاربة نسبيًا. لنفترض أننا نشفر L سمة في كل مرة نرى فيها شيئًا ما. عندئذٍ، عند تشفير الذاكرة، يمكن كتابتها على الصورة m ₁ ، حيث L عدد من المدخلات العددية في متجه عمودي.

${\displaystyle \mathbf {m_{1}} ={\begin{bmatrix}m_{1}(1)\\m_{1}(2)\\m_{1}(3)\\\vdots \\m_{1}(L)\end{bmatrix}}}$.

سيتم تخصيص مجموعة فرعية من سمات الذاكرة المتعددة (L) للسمات السياقية، ومجموعة فرعية أخرى للسمات الفيزيائية، وهكذا. يفترض أحد الافتراضات الأساسية لنظرية الآثار المتعددة أنه عند بناء ذكريات متعددة، نرتب السمات بنفس الترتيب. وبالتالي، يمكننا تعريف المتجهات m₂ _، m₃ _، ...، mₙ بشكل مماثل لحساب إجمالي n من الذكريات المشفرة. وتنص نظرية الآثار المتعددة _على أن هذه الذكريات تتجمع في دماغنا لتشكيل مصفوفة ذاكرة من خلال الربط البسيط للذكريات الفردية.

${\displaystyle \mathbf {M} ={\begin{bmatrix}\mathbf {m_{1}} &\mathbf {m_{2}} &\mathbf {m_{3}} &\cdots &\mathbf {m_{n}} \end{bmatrix}}={\begin{bmatrix}m_{1}(1)&m_{2}(1)&m_{3}(1)&\cdots &m_{n}(1)\\m_{1}(2)&m_{2}(2)&m_{3}(2)&\cdots &m_{n}(2)\\\vdots &\vdots &\vdots &\vdots &\vdots \\m_{1}(L)&m_{2}(L)&m_{3}(L)&\cdots &m_{n}(L)\end{bmatrix}}}$.

بالنسبة لإجمالي عدد السمات L وإجمالي عدد الذكريات n ، ستحتوي المصفوفة M على L صفًا و n عمودًا. لاحظ أنه على الرغم من دمج المسارات n في مصفوفة ذاكرة كبيرة، إلا أنه يمكن الوصول إلى كل مسار على حدة كعمود في هذه المصفوفة.

في هذه الصيغة، تُجعل الذكريات المختلفة (عددها n) مستقلةً إلى حدٍ ما عن بعضها البعض. مع ذلك، فإن العناصر المعروضة معًا في سياقٍ ما سترتبط ارتباطًا عرضيًا من خلال تشابه متجهات سياقها. إذا تم ربط عناصر متعددة ببعضها البعض وتشفيرها عمدًا بهذه الطريقة، ولنقل العنصر (أ) والعنصر (ب) ، فيمكن بناء ذاكرة لهذين العنصرين، بحيث تحتوي كل منهما على k سمة، كما يلي:

${\displaystyle \mathbf {m_{ab}} ={\begin{bmatrix}a(1)\\a(2)\\\vdots \\a(k)\\b(1)\\b(2)\\\vdots \\b(k)\end{bmatrix}}={\begin{bmatrix}\mathbf {a} \\\mathbf {b} \end{bmatrix}}}$.

عندما تُتعلّم العناصر تباعًا، قد يميل المرء إلى القول بأنها تُتعلّم في السياق الزمني نفسه. مع ذلك، في الواقع، توجد اختلافات دقيقة في السياق. لذا، غالبًا ما تُعتبر السمات السياقية متغيرة بمرور الوقت، كما هو مُنمذج بواسطة _عملية عشوائية . ^{[ 6 ]} بالنظر إلى متجه يحتوي على r سمة سياقية إجمالية فقط tᵢ يُمثّل سياق الذاكرة mᵢ _، فإن سياق الذاكرة المُشفّرة التالية يُعطى بواسطة tᵢ ₊₁ :

${\displaystyle \mathbf {t_{i+1}(j)} =\mathbf {t_{i}(j)+\epsilon (j)} }$

لذا،

${\displaystyle \mathbf {t_{i+1}} ={\begin{bmatrix}t_{i}(1)+\epsilon (1)\\t_{i}(2)+\epsilon (2)\\\vdots \\t_{i}(r)+\epsilon (r)\end{bmatrix}}}$

هنا، ε(j) هو رقم عشوائي تم أخذ عينة منه من توزيع غاوسي .

كما هو موضح في القسم التالي، فإن السمة المميزة لنظرية الآثار المتعددة هي القدرة على مقارنة عنصر معين بمصفوفة الذكريات المشفرة الموجودة مسبقًا. يحاكي هذا عملية البحث في الذاكرة، حيث يمكننا تحديد ما إذا كنا قد رأينا العنصر من قبل كما في مهام التعرف، أو ما إذا كان العنصر يؤدي إلى ذاكرة مشفرة أخرى كما في الاستدعاء الموجه.

أولاً، يتم ترميز المسبار p كمتجه سمات. بالاستمرار مع المثال السابق لمصفوفة الذاكرة M ، سيحتوي المسبار على L مدخلاً:

${\displaystyle \mathbf {p} ={\begin{bmatrix}p(1)\\p(2)\\\vdots \\p(L)\end{bmatrix}}}$.

ثم تتم مقارنة هذا p واحداً تلو الآخر بجميع الذكريات الموجودة مسبقاً (الأثر) في M عن طريق تحديد المسافة الإقليدية بين p وكل m _i :

$\displaystyle \left\Vert \mathbf {p-m_{i}} \right\|={\sqrt {\sum _{j=1}^{L}(p(j)-m_{i}(j))^{2}}}}$.

نظراً للطبيعة العشوائية للسياق، نادراً ما تتطابق عناصر الاختبار تماماً مع الذاكرة المشفرة في نظرية الآثار المتعددة. ومع ذلك، يُشير تقارب المسافة الإقليدية الصغيرة إلى وجود تشابه كبير بين p و m _i . لذا، يجب إجراء عملية أخرى على المسافة، مما يؤدي إلى تشابه منخفض جداً عند المسافات الكبيرة وتشابه عالٍ جداً عند المسافات الصغيرة. لا تُزيل العملية الخطية العناصر ذات التشابه المنخفض بشكل كافٍ. وبشكل بديهي، يبدو نموذج التضاؤل ​​الأسي هو الأنسب.

${\displaystyle similarity(\mathbf {p,m_{i}} )=e^{-\tau \left\Vert \mathbf {p-m_{i}} \right\|}}$

حيث τ هو معامل اضمحلال يمكن تحديده تجريبياً. يمكننا بعد ذلك تعريف التشابه مع مصفوفة الذاكرة بأكملها من خلال مجموع التشابه SS(p,M) بين المجس p ومصفوفة الذاكرة M :

${\displaystyle \mathbf {SS(p,M)} =\sum _{i=1}^{n}e^{-\tau \left\Vert \mathbf {p-m_{i}} \right\|}=\sum _{i=1}^{n}e^{-\tau {\sqrt {\sum _{ي=1}^{L}(ص(ي)-m_{i}(ي))^{2}}}}}$.

إذا كان العنصر المُختَبَر شديد الشبه بواحدة من الذكريات المُشفَّرة، فإنّ قيمة SS تزداد بشكل كبير. على سبيل المثال، إذا كان _m1 هو العنصر المُختَبَر، فسنحصل على مسافة قريبة من الصفر (ليست دقيقة تمامًا بسبب السياق) عندما i=1، مما يُضيف تقريبًا أقصى قيمة ممكنة لـ SS . وللتمييز بينه وبين التشابه الخلفي (حيث سيكون هناك دائمًا تشابه ضئيل مع السياق أو بعض السمات، على سبيل المثال)، غالبًا ما تُقارَن قيمة SS بمعيار مُحدَّد. إذا كانت أعلى من هذا المعيار، يُعتبر العنصر المُختَبَر من بين العناصر المُشفَّرة. يمكن تغيير هذا المعيار بناءً على طبيعة المهمة والرغبة في تجنُّب الإنذارات الكاذبة . وبالتالي، تتنبأ نظرية الآثار المتعددة بأنه عند وجود إشارة ما، يمكن للدماغ مُقارنة هذه الإشارة بمعيار للإجابة على أسئلة مثل "هل سبق أن تمَّت مُعايشة هذه الإشارة؟" (التعرّف) أو "ما الذاكرة التي تُثيرها هذه الإشارة؟" (الاستدعاء المُوجَّه)، وهي تطبيقات للتشابه المُجمَّع الموضَّحة أدناه.

تنسجم نظرية الآثار المتعددة بشكل جيد مع الإطار المفاهيمي للتعرف . يتطلب التعرف من الفرد تحديد ما إذا كان قد رأى عنصرًا ما من قبل أم لا. على سبيل المثال، التعرف على الوجوه هو تحديد ما إذا كان الشخص قد رأى وجهًا من قبل. عند طرح هذا السؤال على عنصر تم ترميزه بنجاح (شيء تمت رؤيته بالفعل من قبل)، يجب أن يحدث التعرف باحتمالية عالية. في الإطار الرياضي لهذه النظرية، يمكننا نمذجة التعرف على عنصر اختبار فردي p من خلال مجموع التشابه مع معيار محدد. نقوم بتحويل عنصر الاختبار إلى متجه سمات كما هو الحال بالنسبة للذكريات المشفرة، ونقارنه بكل أثر تمت مواجهته. إذا تجاوز مجموع التشابه المعيار، نقول إننا رأينا العنصر من قبل. من المتوقع أن يكون مجموع التشابه منخفضًا جدًا إذا لم يسبق رؤية العنصر، ولكنه يكون أعلى نسبيًا إذا تمت رؤيته، وذلك بسبب تشابه سمات عنصر الاختبار مع بعض ذكريات مصفوفة الذاكرة.

${\displaystyle P(recognizing~p)~=~P(\mathbf {SS(p,M)} >criterion)}$

يمكن تطبيق ذلك على كل من التعرف على العناصر الفردية والتعرف الترابطي على عنصرين أو أكثر معًا.

يمكن لهذه النظرية أيضًا تفسير الاستدعاء الموجه . في هذه الحالة، يُعطى مُحفزٌ ما لاستحضار معلومةٍ من الذاكرة. على سبيل المثال، يُعد سؤالٌ واقعيٌ مثل "من كان أول رئيس للولايات المتحدة؟" مُحفزًا لاستحضار الإجابة "جورج واشنطن". في إطار "ab" الموصوف أعلاه، يمكننا أخذ جميع السمات الموجودة في المُحفز وسردها، واعتبارها العنصر "أ" في ارتباطٍ مُشفّر، بينما نحاول استرجاع الجزء "ب" من ذاكرة "m _ab" . في هذا المثال، سيتم دمج سماتٍ مثل "أول" و"رئيس" و"الولايات المتحدة" لتشكيل المتجه "أ " ، الذي سيكون قد تم صياغته بالفعل في ذاكرة "m _ab" التي تُشفّر قيم "ب" فيها "جورج واشنطن". بالنظر إلى "أ" ، هناك نموذجان شائعان لكيفية استرجاع "ب" بنجاح :

1) يمكننا مراجعة كل عنصر في الذاكرة وتحديد مدى تشابهه (وليس مجموع التشابه، انظر أعلاه للتمييز) مع سمات a ، ثم اختيار الذاكرة التي تتمتع بأعلى تشابه مع a . سمات النوع b المرتبطة بها هي ما نسترجعه. توفر ذاكرة m _ab أفضل فرصة للاسترجاع لأن عناصرها من النوع a ستكون ذات تشابه عالٍ مع الإشارة a . مع ذلك، بما أن الاسترجاع لا يحدث دائمًا، يمكننا القول إن التشابه يجب أن يستوفي معيارًا معينًا حتى يحدث الاسترجاع. يشبه هذا طريقة عمل جهاز IBM Watson ، حيث يقارن التشابه سمات النوع a فقط لـ a مع m _ab .

${\displaystyle P(recalling~m_{ab})~=~P(similarity(a,m_{ab})>criterion)}$

٢) يمكننا استخدام قاعدة اختيار احتمالية لتحديد احتمالية تذكر عنصر ما بما يتناسب مع درجة تشابهه. يشبه هذا رمي سهم على لوحة سهام، حيث تمثل المساحات الأكبر تشابهًا أكبر مع العنصر المرجعي. رياضيًا، عند إعطاء العنصر المرجعي أ ، فإن احتمالية تذكر الذاكرة المطلوبة م _أب هي:

${\displaystyle P(recalling~m_{ab})~=~{\frac {similarity(a,m_{ab})}{SS(a,M)+error}}}$

عند حساب كل من التشابه والتشابه المجموع، نأخذ في الاعتبار فقط العلاقات بين سمات من النوع أ . نضيف حد الخطأ لأنه بدونه، ستكون احتمالية استرجاع أي ذاكرة في المجموعة م تساوي 1، ولكن من المؤكد أن هناك أوقاتًا لا يحدث فيها الاسترجاع على الإطلاق.

يمكن تفسير الظواهر المتعلقة بالذاكرة، كالتكرار، وتكرار الكلمات، والحداثة، والنسيان، والتجاور، وغيرها، بسهولة في إطار نظرية الآثار المتعددة. من المعروف أن الذاكرة تتحسن مع تكرار التعرض للعناصر. على سبيل المثال، سماع كلمة عدة مرات في قائمة يُحسّن من التعرف عليها واسترجاعها لاحقًا. والسبب في ذلك هو أن التعرض المتكرر يُضيف هذه الذاكرة إلى مصفوفة الذاكرة المتنامية باستمرار، وبالتالي يكون مجموع التشابه لهذه الذاكرة أكبر، ما يزيد من احتمالية استيفائها للمعايير.

في اختبار التعرف على الكلمات، يصعب التعرف على الكلمات الشائعة جدًا ضمن قائمة محفوظة مقارنةً بالكلمات النادرة. يُعرف هذا بتأثير تكرار الكلمات، ويمكن تفسيره أيضًا بنظرية الآثار المتعددة. بالنسبة للكلمات الشائعة، يكون مجموع التشابه مرتفعًا نسبيًا، سواءً ظهرت الكلمة في القائمة أم لا، لأنه من المرجح أن تكون الكلمة قد صادفتها وخزنتها في الذاكرة عدة مرات خلال الحياة. لذا، يختار الدماغ عادةً معيارًا أعلى لتحديد ما إذا كانت الكلمات الشائعة جزءًا من القائمة، مما يجعل اختيارها بنجاح أكثر صعوبة. مع ذلك، فإن الكلمات النادرة عادةً ما تُصادف بشكل أقل خلال الحياة، وبالتالي يكون وجودها في الذاكرة محدودًا. ومن ثم، يؤدي انخفاض مجموع التشابه الإجمالي إلى معيار أكثر تساهلًا. إذا كانت الكلمة موجودة في القائمة، فإن ارتفاع تشابه السياق وقت الاختبار وتشابه السمات الأخرى سيؤدي إلى زيادة كافية في مجموع التشابه لتجاوز المعيار السابق، وبالتالي التعرف على الكلمة النادرة بنجاح.

يمكن تفسير تأثير الحداثة في الموقع التسلسلي لأن الذكريات الأحدث المُشفّرة تشترك في سياق زمني مشابه للسياق الحالي، حيث لا يكون لطبيعة الزمن العشوائية تأثير بارز. وبالتالي، يكون تشابه السياق مرتفعًا بالنسبة للعناصر المُشفّرة حديثًا، لذا يكون التشابه الإجمالي أعلى نسبيًا لهذه العناصر أيضًا. يُعتقد أيضًا أن الانحراف السياقي العشوائي يُفسر النسيان، لأن السياق الذي شُفرت فيه الذاكرة يتلاشى بمرور الوقت، لذا يتناقص التشابه الإجمالي لعنصر عُرض فقط في ذلك السياق بمرور الوقت. ^{[ 7 ] [ 8 ]}

أخيرًا، أظهرت البيانات التجريبية تأثيرًا للتجاور ، حيث يُرجّح أن تُتذكر العناصر التي تُعرض معًا زمنيًا، حتى وإن لم تُشفّر كذاكرة واحدة كما في نموذج "ab" الموصوف أعلاه، معًا. يُمكن اعتبار ذلك نتيجةً لانخفاض الانحراف السياقي بين العناصر المُتذكرة معًا، وبالتالي يكون التشابه السياقي بين عنصرين مُقدمين معًا عاليًا.